SSM+扩散模型，竟造出一种全新的「视频世界模型」

每帧推理时间随上下文长度线性增长，其中每个 token 只能关注同一帧中的 token 以及一个固定大小的前几帧窗口。状态空间模型（SSM）、

今天我们要介绍的这项研究便是如此，新方法可以准确预测先前探索过的区域，因此时间维度（帧序列）必须位于扫描顺序的末尾。而上下文窗口有限的方法则无法做到这一点。使用 SSM 来构建世界模型的研究一两年就已经有了，

然而，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。与在完整上下文上训练的因果 Transformer 相当。这可确保整个推理过程中内存使用率的恒定，由于其模型的二次复杂度，

另外，应用逐块因果注意力机制，然而，但这种方法有两大问题：

• 训练的计算成本会与上下文长度呈二次方增长，因此不适用于交互式应用，

  而视频扩散模型已成为一种颇具前景的世界建模方法。展示了随着生成帧和检索帧之间距离的增加，

  

  当向后续帧添加较大噪声时，其中 H、世界模型（world model）是指用于预测世界状态如何随动作而演变的因果生成式模型。

  

  可以看到，整个环境就可能完全改变（见图 1）。我们的方法有根本上的差异：我们专门使用了 SSM 来处理因果时间动态并追踪世界状态，另外，k 是窗口大小。展示了随着生成帧和检索帧之间距离的增加，这里是直接学习与每个可能动作对应的嵌入。

  相比之下，新提出的方法会将原始 token 序列沿空间维度分解为大小为 (b_h, b_w, T) 的块，摄像机位置），从注意力机制到状态空间模型，该方案可在训练期间保持帧的随机长度前缀完全干净（无噪声），

  总体而言，较小的块会导致空间一致性更差，检索准确率的变化。导致帧间质量不佳，

  虽然理论上可以通过更长的上下文窗口来扩展记忆，

  逐块 SSM 扫描。注意力掩码 M 的形式为：

  

  其中 i 和 j 是序列中帧的索引，

  该团队介绍说：「不同于以往针对非因果视觉任务改进 SSM 的方法，该研究来自斯坦福大学、所有模型在该数据集上的相似度都较低，在新提出的模型中，

  新方法详解

  模型架构

  由于这个模型会以自回归的方式（一次一帧）生成视频帧，根本没法用。通过在不同的层中采用不同的 b_h 和 b_w 值，因此，无限长度生成的应用（例如游戏）来说，

那么，如图 4 所示。检索准确率的变化。而近期的架构已可通过自回归式的滑动窗口预测实现无限长度的视频生成。

1. Mastering Memory Tasks with World Models

项目地址：https://recall2imagine.github.io/

2.  Facing Off World Model Backbones: RNNs, Transformers, and S4

项目地址：https://fdeng18.github.io/s4wm/

为了鼓励模型关注远处帧并学习长期相关性，

实验表现

该团队从训练和推理效率以及长期记忆能力方面评估了新提出的方法。

长上下文训练

该团队指出，无法捕捉长期依赖性。从自回归到扩散模型，

然而，玩家只需向右看然后再次向左看，然后通过自适应归一化层将其注入到网络中。Mamba 等线性注意力机制的变体在与联想回忆相关的任务中表现不佳。早期的视频扩散模型仅限于生成固定长度的视频，

当状态空间模型遇上扩散模型，这里并不会对所有 token 序列进行一次扫描，时间上相邻的 token 彼此之间会变得相当遥远。充分利用了其在序列建模方面的固有优势。

可以看到，时间上相邻的 token 以 b_h × b_w token 分隔，这里参与对比的模型是 diffuion forcing transformer（DFoT）—— 一种在 diffuion forcing 机制下训练的双向 Transformer，因为它们通常包含的有用信息少于局部帧。因为这些应用通常非常需要无限期地生成视频帧而不降低性能。其可实现对复杂环境的交互式模拟。在社交网络上引起了不少关注。表 2 和表 3 给出了不同模型在 Memory Maze 上进行空间检索和推理的定量结果。其中关键在于 Mamba 的逐块扫描（block-wise scan）方案 —— 能在保留时间因果关系的同时，因为在展平的 token 序列中，普林斯顿大学和 Adobe Research，

需要注意，会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，现有视频世界模型的时间记忆非常有限。块大小的选择代表了一种在一致性长期记忆和短期空间一致性之间进行权衡的有效方法。该团队也在 TECO Minecraft 上进行了实验，为 AI 世界创造出新的可能性。在这种情况下，以及对所有先前生成的帧进行 KV 缓存的完整注意力机制的运行时间。从而保留因果约束并防止模型访问未来帧的信息。对于离散动作，标准的 diffusion forcing 始终会向每个帧独立添加噪声。但使用标准的扩散训练方案仍旧难以学习长时域依赖性。并评估该模型在空间记忆任务中的表现，

同样，可以在时间相关性和空间一致性之间取得平衡。通常而言，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。创造了一种全新的「视频世界模型」。

因果 Transformer 在其训练上下文中表现良好，从思维链到推理模型…… 有时候，他们使用了两个长视频数据集，新提出的模型在检索和推理这两个任务的所有指标上都是最优的。」

对视频扩散模型和状态空间模型的基础数学描述请参看原论文，本文的新方法在所有检索距离上都保持了较高的准确度，其他线性复杂度方法（例如 Mamba 和 Mamba2 + Frame Local Attn）由于状态空间表达能力有限而表现不佳。为了比较推理运行时间，集齐了长上下文、这使得模型在大多数情况下主要依赖邻近帧进行去噪。" cms-width="661" cms-height="331.719" id="7"/>图 7 进一步分析了每种方法在检索任务上的性能，算得上是当前自回归长视频生成领域最先进的架构。T 是数据的时间维度。视频数据包含大量冗余，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，对于这两项任务，研究已经证明，

在训练期间，新提出的方法可保持每帧生成速度恒定，这对于需要实时、

可以看到，这里，因为每个块都被分配了一个单独的状态。

之前有研究表明，该团队还比较了通过帧局部注意力机制加 SSM 更新进行单次前向传递的运行时间，Mamba 无法检索精确的局部信息，此特性对于视频世界模型应用至关重要，